[发明专利]基于标签传播自然启发式的动态网络社团结构识别方法

摘要

本发明涉及一种基于标签传播自然启发式的动态网络社团结构识别方法，属于人工智能与复杂网络领域。本发明将标签传播算法用于初始化网络社团以及限制变异过程的条件，这可以进一步提高检测效率和有效性；利用遗传操作，在维持社团结构的前提下，增加多样性；使用粒子群算法，避免陷入局部最优，获得全局最优解。最后，在人工网络和真实网络上进行测验的实验结果，可以看出本发明通过标签传播算法的改进，将按照节点度的大小更新节点标签。度大的节点对周围节点的影响更大，将解决迭代结果不稳定的问题。用突变操作，让随机数小于突变率的粒子，进行一次同步更新操作。不仅维持了好的社团结构，而且增加了粒子位置的多样性，避免陷入局部最优。

主权项

1.基于标签传播自然启发式的动态网络社团结构识别方法，其特征在于：该方法包括以下步骤：S1：输入动态网络G＝{G₁,G₂,...,G_T}的邻接矩阵A＝{A₁,A₂,...,A_T}；S2：判断t是否到达最终时刻，若否，则继续执行S3，并让t＝t+1；若是，则执行S14；S3：初始化邻居数目，粒子群数目，最大迭代数，学习因子，突变率；S4：判断k是否到达最大迭代数，若否，则继续执行S5，并让k＝k+1；若是，则执行S13；S5：判断i是否到达最大粒子数，若否，则继续执行S6，并让i＝i+1；若是，则执行S13；S6：基于改进的标签传播算法给粒子群赋予初始位置；改进的标签传播方式为：Neighbor(i)是邻居节点集合，公式(1)是每个节点从邻居节点集合中随机选出一个节点作为标签，产生一个随机序列；公式(2)是根据节点的度降序排列，然后采用同步更新规则进行节点更新；S7：采用单程交叉操作，将更好的维持社团结构的稳定性；S8：当随机数小于突变率时，就发生突变操作；突变操作是将粒子群位置在按照公式(2)，进行一次异步更新；S9：粒子群更新规则为：其中，是粒子群个体最优位置；是粒子群全局最优位置；c是学习因子；ω是惯性权重；公式(3)中：是异或操作，操作是将两个速度矢量相加，形成新的速度矢量；假设：则详细操作如下定义：公式(4)中：速度矢量和位置矢量通过操作形成新的位置矢量；假设：v＝{v₁,v₂,…,v_n}，则详细操作如下定义：其中，L_i＝{l₁,l₂,…,l_k}是邻居节点集合，若i＝＝j，则否则，S10：目标函数模块度Q的具体定义如下：n是节点数目，m是边数，k_i是节点i的度，若节点i和j属于相同群集，则δ(i,j)＝1，否则等于0；标准互信息(NMI)的定义如下：C是混淆矩阵，N是节点数目，C_ij是社区A和B共享的节点数目，C_A或C_B是划分A或者划分B的群集数量，C_i或C_j是C在i行或j列矩阵C的元素数目；S11：首先用切比雪夫不等式定义第i层优化目标，具体定义如下：其中，权向量是一个参考点，z^*＝{maxf_j(x)|x_i∈X}；然后，用切比雪夫不等式判定全局最优和个体最优是否需要更新，具体如下：若g^te(x_i|ω_i,z^*)＜g^te(pbest_i|ω_i,z^*)，则pbest_i＝x_i若g^te(x_i|ω_j,z^*)＜g^te(gbest_j|ω_j,z^*)，则gbest_j＝x_i，j属于邻居b_i；S12：更新非支配解集时，将所有被x_i支配的解从解集中移除，然后把x_i加入解集；S13：选出非支配解集中最高NMI值对应的聚类结果当作t时刻网络的社团划分，并保存划分结果；S14：输出动态网络的社团划分C＝{C¹,C²,...,C^T}。